南京大学、腾讯PCG与上海人工智能实验室联合推出了SteadyDancer。
SteadyDancer是首个基于Image-to-Video范式并严格实现首帧保留的开源人像动画框架，彻底解决了传统方法中的身份漂移难题。
SteadyDancer并没有选择在拥挤的Reference-to-Video赛道上修修补补，而是另辟蹊径，利用严格的首帧保留机制，攻克了外观保真度与运动控制难以兼得的死结。
这是一套关于如何在时空错位中寻找秩序的完整方法论。
传统R2V范式的局限与I2V的崛起
在探讨SteadyDancer之前，我们需要理解当前人像动画技术的痛点所在。
长期以来，主流技术路线大多遵循Reference-to-Video（R2V）范式。
这种方法的逻辑类似于把一张参考图片挂在一个驱动视频的骨架上。它并不严格要求生成的视频必须从参考图片的初始状态开始，而是允许一定程度的自由度。
这种松散约束在早期研究中通过降低对齐难度提高了成功率，但在实际应用中却埋下了隐患。
由于参考图像的人物身形、拍摄角度与驱动视频中的动作往往存在巨大的时空差异，R2V模型为了强行匹配动作，往往会牺牲人物的身份特征，导致面部变形、身体比例失调，甚至出现令人不适的视觉伪影。
对于影视制作、游戏开发等对保真度有严苛要求的领域，这种不确定性是无法接受的。
SteadyDancer团队敏锐地指出，Image-to-Video（I2V）范式才是解决这一问题的终极方案。
I2V的核心逻辑是将参考图像直接作为视频的第一帧（Frame 0），后续的所有生成帧都必须从这一帧自然演化而来。
这种首帧保留机制从根本上锁定了人物的外观特征，确保了身份的一致性。
但这带来了一个巨大的技术挑战：模型不仅要理解参考图像的静态特征，还要在严格遵守第一帧像素约束的前提下，根据驱动信号强行但自然地改变后续帧的姿态。
这就像是要求一位舞者必须穿着原本紧身的西装（参考图），却要做出街舞的夸张动作（驱动信号），且不能崩坏衣服。
如何在严格的约束下实现灵活的运动控制，正是SteadyDancer要解决的核心问题。
巧妙的条件协调机制打破僵局
为了让静态的图像与动态的姿态和谐共存，SteadyDancer首先搭建了一个基于Wan-2.1 I2V 14B预训练模型的基准系统。
在这个系统中，图像通过VAE编码器转化为潜变量，提供外观先验；姿态序列也通过同样的编码器进入同一特征空间。
早期的朴素尝试往往简单粗暴地将图像潜变量与姿态潜变量进行逐元素相加。
这种做法如同将咖啡与茶直接倒在一起，虽然两者都在杯子里，但味道却彻底混淆了。
模型无法区分哪些信息来自外观，哪些信息来自运动，导致生成的视频要么动作僵硬，要么人物走样。
SteadyDancer提出了条件协调机制（Condition-Reconciliation Mechanism），通过三个维度的精细化操作，实现了外观与运动的完美平衡。
在条件融合层面，该框架摒弃了相加操作，转而采用通道拼接（Concatenation）。
这相当于将咖啡和茶分别装在不同的容器格子里，虽然同时输送给模型，但彼此独立，互不干扰。
模型能够清晰地从不同的通道中分别读取外观细节和运动指令，从而显著提升了对双重信号的学习效率。
在条件注入层面，团队保持了极度的克制与高效。
他们没有引入庞大的Adapter结构，因为过多的新增参数往往会破坏预训练模型原本强大的生成能力。SteadyDancer选择直接注入姿态潜变量，并结合LoRA（低秩适应）进行微调。
这种策略如同给模型戴上了一副轻便的矫正眼镜，既保留了模型原本对世界的理解能力，又精准地引导了其关注动作控制，实现了参数效率与生成质量的双赢。
在条件增强层面，为了进一步强化我是谁和我从哪里开始这两个关键信息，SteadyDancer引入了双重增强策略。
它将融合后的潜变量与首帧图像及首帧姿态的潜变量在时间维度上进行拼接，为模型提供了一个不可动摇的起始参考点。
同时，它还将首帧姿态的CLIP特征注入到全局上下文中。
这不仅告诉模型动作的物理轨迹，还提供了动作的语义描述，双管齐下，确保了在剧烈运动中人物身份的稳定性。
协同姿态调制模块解决时空错位
即便有了良好的融合机制，源图像与驱动姿态之间天然存在的时空错位依然是巨大的障碍。
这种错位分为空间上的结构差异和时间上的不连续性。
空间上，参考图中的人物可能身材魁梧，而驱动姿态来自一个身形瘦削的舞者。直接驱动会导致骨骼错位。
时间上，驱动信号往往带有抖动噪声，且其起始动作很难与参考图完全重合。
SteadyDancer设计了协同姿态调制模块（Synergistic Pose Modulation Modules）来应对这些挑战。
该模块并没有采用通用的处理方式，而是针对时空特征分别定制了解决方案。
针对空间结构的不匹配，SteadyDancer设计了空间结构自适应细化器。
它利用动态卷积（Dynamic Convolution）技术，根据输入的姿态特征自适应地生成卷积核。
这意味着模型不再是用一把固定的尺子去衡量所有的姿态，而是拥有一把可以根据输入形态自动伸缩变形的液态尺子。
这种自适应能力使得模型能够提取出与参考图像特征空间高度兼容的姿态表征，极大地减少了因骨架比例不同而产生的视觉伪影。
针对时间运动的不一致，框架引入了时间运动一致性模块。
该模块包含堆叠的分解卷积块，分别在空间和时间维度上进行卷积操作。
这种设计有效地平滑了姿态序列中的抖动噪声，并建立了连续的运动动力学模型，确保生成的动作流畅自然，消除了机械感。
为了实现像素级的精准控制，SteadyDancer还设计了轻量级的逐帧注意力对齐单元。
它利用交叉注意力机制（Cross-Attention），让去噪过程中的潜变量主动去关注姿态潜变量。
这就像是画师在每一帧落笔前，都会仔细比对动作参考，确保生成的图像内容不仅在外观上像参考图，在姿态上也严格对齐驱动信号。
这一系列模块通过层级聚合策略有机结合，形成了一套严密的姿态调制网络，从根本上解决了时空错位带来的生成崩坏问题。
分阶段解耦目标训练流程
技术架构的精妙只是成功的一半，如何训练这个庞大的系统同样关键。
SteadyDancer提出了一套分阶段解耦目标训练流程（Staged Decoupled-Objective Training Pipeline），将复杂的训练任务拆解为三个独立但递进的阶段，极大地降低了训练难度和资源消耗。
第一阶段是动作监督（Action Supervision）。
这一阶段的目标非常单纯：让模型学会动。团队将视频的第一帧固定为参考帧，整个视频作为动作的监督目标。
利用LoRA微调策略，模型在这一阶段迅速掌握了如何根据姿态信号驱动图像运动。
第二阶段是条件解耦蒸馏（Condition-Decoupled Distillation）。
第一阶段学会了动但牺牲了画质，这一阶段的任务就是把画质找回来。
SteadyDancer使用原始的预训练I2V模型作为教师，将第一阶段训练好的模型作为学生。
教师模型负责参数化无条件的高质量数据分布，并将这种生成高保真视频的能力传授给学生模型。
通过这种蒸馏过程，学生模型在保持动作控制能力的同时，重新获得了生成逼真细节的能力，消除了因条件约束带来的分布偏移。
第三阶段是运动不连续性缓解（Motion Discontinuity Mitigation）。
这是SteadyDancer最体现工程智慧的一步。
在真实应用中，用户提供的参考图姿态与驱动视频的起始姿态往往是不匹配的。
然而，常规训练数据通常是完美的视频片段，起始帧与后续帧天然连贯。
为了让模型适应现实世界的不完美，这一阶段引入了姿态模拟策略，人为制造参考图像与驱动姿态首帧之间的不匹配数据进行训练。
模型被迫学习如何从一个静态姿态平滑过渡到另一个截然不同的动态姿态，从而消除了测试时常见的突兀跳跃伪影。
这三个阶段总计仅需14,500步训练，相比同类模型动辄数十万步的训练量，SteadyDancer展现了惊人的效率。
实验数据与全方位评测
SteadyDancer的训练并没有依赖海量的数据堆砌。
团队仅构建了一个包含7,338个五秒视频片段、总时长10.2小时的高质量数据集。
这些数据以舞蹈序列为主，辅以少量慢动作镜头，且有意避开了极端复杂的动作。
SteadyDancer在TikTok数据集和RealisDance-Val数据集等同源基准上取得了优异成绩。
特别是在FVD（Fréchet Video Distance）和VBench-I2V等反映视频质量和时空一致性的关键指标上，表现显著优于现有方法。
更值得关注的是，为了填补现有基准测试无法有效评估时空错位问题的空白，团队构建了一个名为X-Dance的全新异源基准测试。
在这个测试中，参考图像涵盖了不同性别、风格和景别，而驱动视频则包含了复杂的运动、模糊及遮挡情况。
这模拟了最真实、最困难的应用场景：用一张卡通图片驱动一段真人街舞，或者用一张全身照驱动一段半身特写。
在X-Dance的残酷测试下，其他方法往往顾此失彼，要么人物变成了另一个人，要么动作完全跟不上节奏。
而SteadyDancer凭借其强大的首帧保留和姿态调制能力，生成了协调且连贯的高质量视频。
它不仅完美保留了参考角色的身份特征，还能精准地复刻驱动视频中的复杂动作。
此外，在涉及人与物体交互（HOI）的复杂场景中，SteadyDancer也展现了令人惊喜的潜力。
即便仅有其人体姿态作为驱动信号，模型也能依靠强大的上下文理解能力，成功合成出合理的物体运动和变形。
相比之下，其他模型在处理此类场景时，往往会导致物体凭空消失或形状崩坏。
参考资料：
https://mcg-nju.github.io/steadydancer-web
https://github.com/MCG-NJU/SteadyDancer
https://huggingface.co/MCG-NJU/SteadyDancer-14B
https://modelscope.cn/models/MCG-NJU/SteadyDancer-14B
https://arxiv.org/abs/2511.19320
)
)
)
)
)
)
)
)
)
)
)
)
)
)
)